Transcription
Если вы используете несколько ИИ-моделей и вам нужна структура для эффективного создания запросов на разных платформах, не беспокойтесь. Я позабочусь об этом. Я провел сотни часов, работая со всеми четырьмя основными моделями, и объединил все, что узнал, вместе с выводами из их последней документации, чтобы создать многоразовую структуру для инжиниринга запросов, которая работает на всех них. И в этом видео я поделюсь этой структурой с вами и покажу вам, как именно ее использовать. И поскольку я уважаю ваше время, я выделю все темы, которые мы рассмотрим, чтобы вы могли пропустить вперед, если захотите. Мы начнем с самой структуры, рассмотрим несколько продвинутых техник, которые стоит освоить, и закончим тем, как инжиниринг контекста вписывается в общую картину. Если мы еще не знакомы, меня зовут Али Салам, и в настоящее время я работаю директором в технологической компании. А на этом канале я помогу вам превратить технологии и финансы в ваше личное преимущество. Хорошо, давайте посмотрим на структуру инжиниринга запросов. И кстати, я поделюсь всеми документами с вами как в чате, так и в описании, чтобы у вас был доступ ко всему этому. Я использовал навыки Claude для создания самого отчета. Вот почему вы, вероятно, узнаете фирменный дизайн Claude, с которым он построен. И документ построен таким образом, что у вас есть каждый раздел структуры инжиниринга запросов, обозначенный оранжевым заголовком, а затем сам запрос. И первое, что вы, вероятно, заметите, это то, что он объединен в то, что часто называют XML-сэндвичем, потому что это очень эффективный способ разделения каждого раздела внутри запроса для модели. А затем под самим запросом вы увидите пример того, как это выглядит. У нас есть набор примеров, как вы можете видеть здесь. И мы пройдемся по ним по одному. И кстати, у меня есть отдельный документ, которым я поделюсь с вами, где все эти элементы просто изложены как полный запрос, так что вы можете просто подключить и использовать все, что мы пройдем, когда закончим. Итак, начиная с роли, это определяет, кто отвечает кому, и здесь важна конкретика. Например, "старший финансовый аналитик" даст вам гораздо лучший результат, чем просто "эксперт". Чем более конкретны вы в отношении роли и аудитории, тем лучше модель может калибровать свои ответы. И одно различие между моделями, о котором стоит знать здесь, заключается в том, что GPT-5 лучше сохраняет эту персону на протяжении долгих разговоров, чем GPT-4. Поэтому настройка этого заранее, как правило, хорошо окупается, если вы пользователь ChatGPT. И вы можете увидеть здесь три типа элементов. Вы — эксперт в определенной роли, ваша аудитория и стиль общения. А ниже вы можете увидеть, как это проявляется в примере. Я не буду утомлять вас чтением примеров. Вы можете прочитать их позже. Перейдем к задаче. Здесь вы хотите сказать модели, чего она на самом деле должна достичь. И вы хотите начать с глагола действия, такого как "анализировать", "составлять", "создавать", "сравнивать", а затем изложить свою цель. Например, "проанализировать конкурентную позицию нашего SaaS-продукта по сравнению с тремя основными конкурентами". А затем очень хорошей лучшей практикой является разбиение вашей цели на две-четыре подцели, чтобы направить выполнение модели в различные рабочие потоки, которые, по вашему мнению, являются наиболее важными. И общее правило здесь — не заставлять модель угадывать. Старайтесь быть максимально явными. Теперь здесь немного отличается между моделями. GPT-5 достаточно умна, чтобы вы могли быть более лаконичны. Вам не нужно так сильно конкретизировать, как приходилось делать с GPT-4. И если вы пользователь Claude, то Claude 4 гораздо более буквален, чем Claude 3. Так что, если вы хотите выйти за рамки, вам придется явно попросить об этом, и он сделает это для вас. И если вы используете модели рассуждений 03 и 04 mini в ChatGPT, то держите этот раздел кратким, потому что чрезмерная конкретизация на самом деле сбивает с толку их рассуждения. Хорошо, давайте переключимся на следующее, что является контекстом. Здесь находится вся ваша информация. Документы, данные, фоновые детали. Думайте об этом как о своем едином источнике истины. Если вы занимаетесь этим уже некоторое время, то, вероятно, знаете, что контекст — это обычно то место, где у вас больше всего информации. И это еще одна вещь, которую стоит знать: оптимизация на самом деле немного отличается в зависимости от того, какую модель вы здесь используете. Например, если вы используете GPT, Claude или Gemini, общее правило заключается в том, что чем больше контекста, тем лучше. Так что просто используйте столько контекстного окна, сколько сможете. Если вы снова используете модели рассуждений 03 и 04 mini, меньше — значит больше. Слишком много контекста на самом деле перегружает процесс рассуждения. И если вы используете Perplexity, то старайтесь, чтобы этот раздел был более удобным для поиска. То есть ориентированным на поиск, потому что именно так работает Perplexity. И избегайте общих запросов. Перейдем к примеру. В целом, этот раздел очень мощный, но также необязательный. Общая идея здесь заключается в том, что вы хотите показать модели несколько примеров того, как выглядит хороший результат. Это часто называют few-shot learning. Если вы предоставляете только один пример, это one-shot. А если вы не предоставляете примеров, это zero-shot. Теперь давайте перейдем к конкретным моделям. Если вы используете GPT, Claude и Gemini, то примеры — ваше секретное оружие. Если вы снабдите свой запрос тремя-пятью примерами, это значительно улучшит согласованность и вывод. И они особенно мощны, когда вам нужен последовательный тон или определенное форматирование. Для моделей рассуждений 03 и 04 mini полностью пропустите этот раздел. Это может показаться немного контринтуитивным, но это было исследовано, и это исследование показало, что few-shot prompting последовательно ухудшал производительность 01 и 03. И официальная документация рекомендует сначала попробовать zero-shot при использовании этих моделей. И при необходимости вы можете перейти к one-shot. И вот что важно: если вы используете Perplexity, то полностью пропустите примеры, потому что это сбивает с толку механизм поиска. Включение примеров в запрос может сбить с толку уровень извлечения, непреднамеренно запуская поиск по этим примерам, а не отвечая на ваш запрос. Хорошо, кажется, мои призраки появились здесь. Ничего страшного. Двойное удовольствие. Перейдем к выводу. И здесь вы указываете желаемый вывод. Будьте хирургически точны в том, как вы хотите, чтобы ответ был отформатирован. И действительно, это профессиональный совет. Чем точнее вы будете здесь, тем меньше редактирования вам потребуется. Так что вместо того, чтобы говорить что-то общее, например, "создай таблицу", скажите "создай markdown-таблицу, три столбца. Столбец 1 — функция, столбец 2 — мы, а столбец 3 — конкурент". Для длины укажите количество слов, например, "от 300 до 400 слов". Не говорите просто "кратко". А для структуры укажите поток. Например, "я хочу сначала резюме, затем анализ, затем рекомендации, какая бы структура вам ни нравилась". Интересная настройка, специфичная для модели, которую стоит отметить. И на самом деле это не относится к разделу вывода, но об этом стоит знать. Тем не менее, Claude 4 лучше реагирует на позитивное формулирование, чем на негативное. Так что гораздо лучше сказать "сделай X", чем "не делай Y". Хорошо, перейдем к ограничениям. Здесь вы можете установить свои "ограждения". То есть, чего избегать, правила стиля, границы, и, как и в остальной части структуры, конкретные ограничения всегда будут работать лучше, чем расплывчатые. Например, "максимум три предложения на абзац". Перейдем к последнему разделу, который называется инструкции. Здесь вы можете применять довольно продвинутые техники, но также помните, что именно здесь большинство людей ошибаются. Например, "продумай свой подход шаг за шагом, затем предоставь окончательный ответ в запрошенном формате". Эта техника часто называется "цепочка мыслей". Вы также можете направить ее на обоснование. Так что, если информация отсутствует или неопределенна, укажите это явно, а не угадывайте. Это уменьшит галлюцинации. Еще одна хорошая техника для уменьшения галлюцинаций — сказать что-то вроде "когда вы делаете утверждение, дайте мне процент уверенности в самом утверждении". И это заставит модель задуматься, являются ли утверждения правдоподобными или нет. А также для вас, чтобы затем иметь возможность создать цепочку запросов и сказать: "Эй, для тех утверждений, в которых вы не уверены, найдите мне информацию, чтобы обновить их до 100% вместо 60% или 70% или чего-либо еще, на чем они остановятся". И это еще один раздел, где, если вы используете модели рассуждений 03 и 04 mini, просто удалите этот раздел полностью, потому что эти модели имеют встроенную скрытую цепочку мыслей. Так что двойное заявление о том, что она должна это сделать здесь, ничего вам не даст. Это просто создает риск путаницы. И в целом, говоря о моделях рассуждений, указание им, как думать, как правило, вредит их производительности. И OpenAI явно заявляет, что следует избегать запросов "цепочка мыслей" с моделями рассуждений. Но это не относится к стандартным моделям, потому что там вам нужно их направлять. Мышление шаг за шагом значительно повысит производительность. Я видел некоторые исследования, которые указывают на 20-30%. Я не знаю, правда ли это или нет, но это определенно повысит производительность моделей. Короткая пауза. У меня есть к вам просьба. Если вам понравилось видео до сих пор, вы должны рассмотреть возможность стать частью небольшой, но очень эксклюзивной группы из примерно 5% зрителей, которые подписались. И если вы уже подписались, я просто хочу сказать спасибо. Вы — причина, по которой этот канал продолжает расти и становиться лучше. Проверка цепочки — это техника запросов, при которой ИИ дважды проверяет свои собственные рассуждения, выявляя возможные пробелы, перекрестно проверяя доказательства и уточняя ответы перед предоставлением окончательных результатов. Итак, здесь четыре шага. Во-первых, определите по крайней мере три потенциальных пробела или неопределенности в ваших рассуждениях. Вы можете изменить это число, если хотите. Во-вторых, сошлитесь на доказательства, которые подтверждают или опровергают каждое из них. В-третьих, соответствующим образом пересмотрите свое резюме. И, наконец, представьте только окончательную проверенную версию. Теперь это отлично работает для ChatGPT, Claude и Gemini. И вы можете добавить это в раздел инструкций при необходимости. Просто помните, что перегрузка инструкций всеми этими мета-запросами ухудшит производительность. Так что не делайте все из них по умолчанию. Кроме того, Perplexity работает немного иначе из-за подхода модели к извлечению с дополненным поиском, где запросы запускают живой поиск. Так что это снова будет один из тех факторов риска, где вы можете потенциально сбить с толку уровень извлечения. Так что лучший способ выполнить проверку цепочки, если вы пользователь Perplexity, — это использовать ее как последующий запрос после получения первого ответа. Обратное промптирование переворачивает обычный процесс. Вместо того, чтобы вы писали идеальный запрос, вы говорите ИИ, что хотите, а затем позволяете ему разработать и запустить оптимальный запрос для достижения этого. И причина, по которой это работает, заключается в том, что модель знает, к каким инструкциям она лучше всего реагирует. Каждая система имеет свой собственный небольшой внутренний диалект запросов. Поэтому, позволяя ей самой разрабатывать запрос, она будет подбирать слова, структуры, шаги рассуждения к своим собственным сильным сторонам. И это часто может дать более четкие и точные результаты, чем запросы, созданные человеком. Давайте посмотрим на пример. Я хочу, а затем вы вводите свою задачу или цель. Это будет пример, который мы рассматривали ранее. "Проанализировать конкурентную позицию наших SaaS-продуктов". Вам не нужно вводить подрабочие процессы здесь, основной цели будет достаточно, а затем напишите оптимальный запрос, который сгенерирует наилучший возможный результат для этой задачи, следуя лучшим практикам инжиниринга запросов. Последняя часть — "затем выполните этот запрос и покажите мне окончательный ответ" — необязательна. Я предпочитаю пропустить это, а затем посмотреть на запрос перед его выполнением. Возможно, немного подкорректировать его, а затем запустить самому. Но просто помните, что вы можете подойти к этому таким образом, если захотите. Итак, инжиниринг контекста прогнозируется как следующая большая вещь в ИИ в 2026 году. И это, по сути, о том, как ИИ использует правильный контекст для предоставления вам нужной информации. И на самом деле есть два основных компонента инжиниринга контекста. Во-первых, это то, как вы, как пользователь, создавая запросы в своем окне чата, становитесь более искусными в использовании контекстной информации для решаемой задачи. Это может быть, например, подключение внешних баз данных через RAG-агентов или использование функций памяти, которые сейчас включены на большинстве платформ. А во-вторых, это то, как разработчики обеспечивают использование контекста для пользователей. И это будет заключаться в настройке доступа к внешним базам данных, таким как ваши RAG, или создании автоматизированных рабочих процессов, которые лучше интегрируют релевантные данные. И очень распространенное заблуждение заключается в том, что инжиниринг контекста каким-то образом сделает инжиниринг запросов устаревшим. Это просто неправда. И если кто-то говорит вам это, вы должны назвать это чушью. Инжиниринг запросов — это способ взаимодействия с моделью. А инжиниринг контекста — это способ подачи модели нужной информации. И эти два аспекта работают вместе, чтобы улучшить вывод модели. Думать, что инжиниринг запросов больше не стоит изучать, было бы все равно, что говорить, что получение водительских прав не стоит, потому что появляются беспилотные автомобили. И хотя оба эти утверждения, вероятно, когда-нибудь будут верны, это все равно будет через годы. И честно говоря, если уж на то пошло, инжиниринг запросов, вероятно, станет более продвинутым, а не менее. Потому что по мере того, как мы узнаем больше о моделях и выходят новые функции, вам нужно будет убедиться, что вы можете эффективно создавать запросы. Так что держите свои навыки инжиниринга запросов острыми. Это поставит вас впереди всех. Хорошо, это все. И теперь вы научились создавать запросы на различных платформах. Надеюсь, вы нашли это видео полезным. Дайте мне знать, если нашли, и дайте мне знать, если не нашли. Этот канал для вас, поэтому ваш отзыв действительно важен. Если вы хотите продолжить свой путь обучения, я размещу видео прямо здесь, показывающее, как перейти от новичка к продвинутому пользователю Perplexity. И на этом все, спасибо еще раз за то, что доверили мне свое время, и удачного промптинга.